发布时间：2023-04-20 文章分类：电脑百科投稿人：李佳字号：默认 | 大 | 超大打印

***************************************************

码字不易，收藏之余，别忘了给我点个赞吧！

***************************************************

---------Start

首先参考上一篇的训练过程，这是测试过程，需要用到训练过程的权重。

1. TransUnet训练完毕之后，会生成权重文件（默认保存位置如下），snapshot_path为保存权重的路径。

权重文件

2. 修改test.py文件

调整数据集路径。

训练和测试时的图像设置相同大小，并设置主干模型的名称同训练时一致。

配置数据集相关信息。

手动添加权重。

3. 设置DataLoader

设置DataLoader中参数num_workers=0。

4. 修改utils.py文件

替换utils.py中的test_single_volume函数，原网络输出的是0,1,2,3,4像素的图片，分别代表5个类别，直接显示均呈黑色。对此，我们通过像素调整，使每个类别呈现不同的颜色。

def test_single_volume(image, label, net, classes, patch_size=[256, 256], test_save_path=None, case=None, z_spacing=1):
    image, label = image.squeeze(0).cpu().detach().numpy(), label.squeeze(0).cpu().detach().numpy()
    _,x, y = image.shape
    if x != patch_size[0] or y != patch_size[1]:
        #缩放图像符合网络输入
        image = zoom(image, (1,patch_size[0] / x, patch_size[1] / y), order=3)
    input = torch.from_numpy(image).unsqueeze(0).float().cuda()
    net.eval()
    with torch.no_grad():
        out = torch.argmax(torch.softmax(net(input), dim=1), dim=1).squeeze(0)
        out = out.cpu().detach().numpy()
        if x != patch_size[0] or y != patch_size[1]:
            #缩放图像至原始大小
            prediction = zoom(out, (x / patch_size[0], y / patch_size[1]), order=0)
        else:
            prediction = out
    metric_list = []
    for i in range(1, classes):
        metric_list.append(calculate_metric_percase(prediction == i, label == i))
    if test_save_path is not None:
        a1 = copy.deepcopy(prediction)
        a2 = copy.deepcopy(prediction)
        a3 = copy.deepcopy(prediction)
        a1[a1 == 1] = 255
        a1[a1 == 2] = 0
        a1[a1 == 3] = 255
        a1[a1 == 4] = 20
        a2[a2 == 1] = 255
        a2[a2 == 2] = 255
        a2[a2 == 3] = 0
        a2[a2 == 4] = 10
        a3[a3 == 1] = 255
        a3[a3 == 2] = 77
        a3[a3 == 3] = 0
        a3[a3 == 4] = 120
        a1 = Image.fromarray(np.uint8(a1)).convert('L')
        a2 = Image.fromarray(np.uint8(a2)).convert('L')
        a3 = Image.fromarray(np.uint8(a3)).convert('L')
        prediction = Image.merge('RGB', [a1, a2, a3])
        prediction.save(test_save_path+'/'+case+'.png')
    return metric_list

**方便小伙伴理解这部分代码，特意做了个图，a1,a2,a3分别代表RGB三个通道，开始它们的值通过deepcopy函数直接赋值，故三者的值都是一样的。
这里拿类别1举例：a1[a12]=0代表R通道中输出结果为2的赋值0，
a2[a22]=255代表G通道中输出结果为2的赋值255，
a3[a3==2]=77代表B通道中输出结果为2的赋值77，(0,255,77)对应就是绿色，类别2就是绿色（轮子）。
然后通过Image.merge(‘RGB’, [a1, a2, a3])函数合并三个通道，此时prediction就成了三通道彩色图。